文摘

经过多年的发展,大数据技术变得越来越成熟和可靠的应用在各个领域。数据的爆炸性增长和增加数据的复杂性,处理和应用程序的数据已经改变了我们的日常生活中。数据在体育的发展是近年来非常活跃,和自然的依赖关系数据确定可视化上的体育运动有很大的创新空间运动的数据。因此,有必要深入研究视觉运动背景下的大数据管理技术。我们都知道,在体育运动中,竞争游戏占据了绝大多数,这不是生成的数据仅限于游戏的分数。人们越来越多的关注与体育相关的信息,但这些信息通常是非常复杂的和巨大的。这也是一个地区最广泛的观众,和竞技体育的核心是数据。大多数体育比赛的最终结果和进展通过变化反映和比较的数据。大数据信息收集技术的不断发展,现有的体育更详细的数据,这也让体育发展对可视化。因此,借助大数据筛选数据的能力,本文提出了递归神经网络算法如DTW和合理和可靠的分析和处理大量的数据生成过程中运动和嵌入一个错误分析模块在设计模型中,以确保数据处理的精度要求更大程度上。 The model designed in this article has been able to improve the accuracy by more than 86%. This will greatly facilitate our management and have a far-reaching impact on sports visualization.

1。介绍

大数据技术已经成熟,成为更可靠的各领域经过多年的发展(1]。数据的处理和应用已经改变了我们的日常生活中,由于数据的爆炸性增长和越来越复杂(2]。大数据时代的影响已经渗透到我们的生活。当今社会已经进入了大规模数据生产的时代,应用程序,和传播,由于持续发展和成熟的数据采集和可视化技术3]。数据可视化已经成为一个人们必须考虑的问题。因此,在大数据时代,数据可视化已经成为现代信息科学的重要研究领域。

最后,今天的全球竞争的本质是人才和科技之间的竞争,人才的数量和质量,科学和技术的力量,所有这些都直接关系到一个国家或地区能否维持主导地位和主动竞争(4]。运动可以大大改善人们的身体健康。不仅是一个基本的生计项目,造福民生,但它也是一个关键组成部分的策略加强国家通过科技、人才发展、体育现代化。党和国家非常重视体育发展(5]。运动可视化技术,将运动数据转换成数字图像,并将它们显示在智能屏幕使用先进的计算机网络工程和图像处理技术。运动不再出现在公众面前的形式,而是以可视化的形式,向公众传达视觉冲击的运动(6]。随着技术的进步,运动可视化的定义是不断完善。

与数据收集技术的快速进步大数据的时代,体育数据我们可以得到越来越准确,和类型的数据越来越详细,让我们更努力的数据和带来更多的可能性7]。在这种情况下,运动可视化研究诞生了。每个竞争对手都有自己的竞争优势对于每一个体育竞赛,不包括心理和偶然的因素,和数据可以更好地把握的过程和发展竞争,吸引观众的注意力,并让听众知道更真实的竞争情况(8]。的能力和力量的运动员或运动队可以更好地评估使用数据(9]。数据可视化是最有效的表示方法,数据移动,因为它允许观众看到无聊的和复杂的数据。运动通过数据可视化,观众不仅可以了解体育赛事的状态,而且也了解更清晰和逻辑上的特定事件分析竞争,来满足观众对体育的需求。

数据分析的背景下大数据比传统体育更可靠和有效的数据分析。在这种背景下,研究逐渐增加运动数据,数据可视化是体育的重要组成部分的数据,也没有短缺,相关研究在学术界和产业界10]。这些研究主要集中在两个方面:一方面,从的角度进行分析和研究数据处理和可视化技术,另一方面,从运动的变化数据进行分析是数据生产理念和流程,开始与特定情况下的运动数据可视化(11]。其中的一些研究,一方面,有一个宏观的了解数据可视化技术,而其他人关注个体的运动。他们都不是充分集成。上述的结果,本文提出以下创新:(1)基于数据分析能力在大数据的背景下,本文进行视觉研究和管理体育在不同的空间维度,定量分析,运动和运动轨迹的建模,并使用动态函数和空间维度方程我和处理数据。(2)此外,基于上述数据处理方法,进一步筛选,简化,和聚合下的可视化数据在本文提出的数据处理方法,它将使体育更合理和严谨的可视化,并在管理起到良好的作用。

2。相关工作

数据可视化已经被应用在体育领域的背景下日益成熟大数据的技术。刘等人在文章中提到“机遇,挑战和变化发展的新闻业在“大数据”的时代,信息和技术进步在大数据时代带来了大量的数据,新闻媒体行业。面对这样一个巨大的数据量,媒体行业改变了新闻的分析和挖掘,并改变了传统的新闻传播方式到数据新闻传播的一种方式12]。Golelli和Rizzis提议通过某些信息挖掘技术,我们可以找到的微妙关系,这些看似毫无意义的事情(背后的有价值的内容13]。朱和刘的研究表明,大数据的收集和矿业为运动可视化开辟了一个新的领域。体育的内容而言,传统的体育需要相关人员进行现场采访,形成文本草稿或视频电影,然后出来后编处理后(14]。曹,任正非提出,从体育的角度性能,大数据通过可视化提出了体育。这些可视化方法使以前单调和抽象数据向观众更容易接受15]。彭日成等人的研究表明,人类已经进入了信息时代,人们倾向于集体指的所有信息存储在计算机数据,因为人类可以分析和利用它,发现新的内容,并创造新的价值,这就是所谓的大数据(16]。陈等人提出了应用程序的数据已经成为在线体育最大的优势。应用统计分析数据的运动数据,改变体育的原始结构的第一个成功的变化由在线体育(17]。凌晨指出,在大数据时代,我们应该它处理大数据的思想,主要体现在三个方面:在大数据的时代,我们可以分析更多的数据,而不是依靠跟踪采样;信息分析不再热衷于追求精度,但混合;,不再热衷于寻找因果关系,但寻找事物之间的关系(18]。Floriani和莱拉相信数据新闻不是一个单一的概念,而是一个通用术语新闻数据手册涵盖一系列小说的分析工具和技术方法。穆勒提出了时空分析框架探讨人群流动模式和城市内部动态。基于大规模移动电话的详细记录,结合时空密度估计,时空相关分析,和时空可视化,直观地表达了时空数据,定量分析也提供了确定人群流动的时空模式。然而,上面的方法,通常只关注特定属性,不提供足够的视觉支持研究空间、时间或其他属性的组件跟踪在三维地理空间(19]。香港大数据分析:让聪明的主梁认为大数据的显著的现实要求人们看着它并与全新的信息处理的思考。当信息的停滞和繁殖方法,人们能承受的极限,信息可能成为一种负担20.]。许等人认为,运动使人穿透数据源,数据和人们应该发布结构化、机器可读数据,抛开传统的“大量的文本,“以数据为中心的运动形式(21]。朱等人开发了geozuid4d系统,它使用的颜色,质地,和字体来显示多个属性的三维水下移动对象的轨迹,但不使用某种形式的聚合来简化数据,所以仍然存在问题,如过度的绘图和观点闭塞(22]。

基于上述研究的相关工作,本文决定了大数据分析技术的积极作用领域的可视化管理的体育运动,构造一个视觉模型的运动数据与各种技术相结合,进行深入分析和研究获取和收集的数据通过使用大数据技术,更有效地使用数据,并发掘有价值的信息隐藏在数据,管理简单而高效。

3所示。方法

3.1。大数据技术的概述

大数据是一组与大容量的数据,一组不同的类型,快速访问和很高的应用价值。它是新一代信息技术和服务格式存储和分析协会发现新的知识,创造新的价值,提高能力(23]。对大量数据进行分布式数据挖掘,大数据需要一个分布式架构,这需要云计算、分布式数据库、云存储和虚拟化技术(24]。人们想从体育的信息数据数据处理是通过分析和处理各种复杂的数据之间的相关性在竞争领域,如评分数据,犯规的数据,和运动员的身体信息数据25]。视觉处理和分析过程中运动是描绘在图1。

轨迹数据可视化模型借助计算机图形学,计算机视觉,用户界面,和其他技术,以视觉形式表达了轨迹数据,并提供了一个有效的互动方式来支持用户的数据探索行为。轨迹可视化中扮演一个重要的角色在大规模复杂的多维轨迹数据的分析和认知,具有直观的特点,集成、动态,和交互性26]。因此,本文将可视化分析划分为三种类型:直观的可视化,聚合可视化,可视化和特性。这三个不同的可视化方法,视觉可视化数据和交互式提取的优点。聚合可视化在数据聚合和总结起着良好的作用。特征可视化通常涉及到数据挖掘技术。数据功能,它需要一系列的处理流程等分析,分类、过滤和聚合,在某些情况下具有良好的效果。

3.2。分析运动数据的方法

3.2.1之上。运动数据的定量分析方法

定量分析是一种可以观察到的现象进行系统研究和分析的方法,主要采用统计、数学、概率理论和计算机技术,开发和应用的目标数学模型和理论相关的现象。通过分析量化特征,定量关系和定量运动变化现象,定量分析揭示和描述现象的相互作用和发展趋势。该方法还可以用于定量分析和比较的一些性质,特征,关联,或多个对象之间的因果关系,最终的研究成果被用数字表示形式。我们经常需要研究移动物体本身在学习体育的目标,所以我们需要描述移动对象的量化指标,并创建一个测量维度基于运动特征。如图2,不同的轨迹运动。

一般的运动描述符号计算数据集的运动轨迹。在这篇文章中,运动描述分为两类:原始参数和派生参数。因为上述两个参数可以组织在这两个时间维度和空间维度,它是可行的表达空间维度和时间维度的相关系数由速度和速率,而且可以直接利用的空间位置和时间参数计算。

3.2.2。定性视觉运动数据的分析方法

在定性分析方面,它主要使用体积可视化技术来创建三维堆叠的可视化时空密度体积和空间密度体积。轨迹的空间密度创建一个体积由多个像素点组成,每个国家都有自己的标量场值。缩写体素代表体积元素,代表一个样本或数据点与常规三维网格间距。立体像素代表一个单点网格,不卷,这些数据点可能包含一个数据点。在电脑屏幕上的两个维度,体积密度数据很难想象。视觉关系如包容,闭塞,和叠加会出现许多密度的同时显示卷。体积可视化是数据可视化研究的一个重要分支。

3.3。体育基于大数据分析技术的可视化模型

3.3.1。模型建立

基于大数据的强大的能力和可靠性分析,本文提出了一种运动可视化模型来帮助管理。系统架构分为五层:应用程序、数据处理、通信、数据采集和硬件。硬件层包括物理电源、传感器、和深度相机收集3 d数据。数据采集层负责分类、集成和分析所收集的数据实体层。底部的数据上传使用的协议实现通信层。数据处理层负责确保数据序列和保存,以及一些预处理过滤掉无用的数据;应用层负责计算和处理数据,以及协助行动得分。图3显示了模型的基本架构。

3.3.2。基于DTW的特征提取

DTW距离是一种常见的测量时间序列相似性评估方法。两个符号序列设置和他们的距离下限:

的公式,运动数据的长度 是在序列中,运动员的动作数据的维数 ,和 的欧几里得距离吗 - - - - - -维运动数据 。

在上面的公式中,代表的最大和最小断点 - - - - - -维运动数据 ,分别。

行动数据点属于三维数据。你可以选择一次性匹配或在每个维度匹配模式根据不同维度之间的关系。两个匹配模式可以获得不同的操作功能, ,分别。的知觉行动是更重要的。

3.3.3。动作识别分析

复发性神经网络是非常重要的在运动领域的认可。一方面,循环神经网络使用单个视频帧的RGB图像作为输入来提取视频的空间表面信息;另一方面,它使用多帧叠加光流图作为输入来提取视频的运动控制信息。当人们观看和理解视频,这种互补模式的两个也很一致。

二元概率模型的运动位置代表点样本的二维概率密度函数是用来派生density-based方法在空间点模式分析。本文提出了重新定义KDE作为一种数据挖掘技术,旨在组数据到不可重复的模式组基于事件或现象相似。KDE计算事件密度和空间分布在每个点通过生成一个连续的和光滑的表面从模式。研究区域中的每个点的空间强度计算与内核函数。根据各点之间的距离和事件,事件函数计算每个点的贡献。我们得到了 在哪里采样点的数量,是在二维空间中定义内核函数,是点 密度的估计,是平滑参数, 带宽内的样本点吗 。 是任何连续、非负和径向对称核函数积分1如下:

在公式中设置可以根据具体情况设计的。由内核密度表面产生严重影响带宽选择。如果带宽太大,估计密度将整个研究区域是一致的和接近平均密度。密度分布将聚集在每一个点,如果带宽太小了。计算最优带宽设置一个令人满意的表面密度,实验是必需的。

神经网络而言,本文提出的循环神经网络可以演变成一个长期和短期记忆网络,它是由几个相同的单位,处理长期数据也是必不可少的。忘记门是首次引入。在长期和短期记忆网络,忘记门是最重要的。至关重要的是防止梯度消失和爆炸。乙状结肠函数主要负责。它调查前一单元之间的relationshipe输出信息和本单元的输入信息,并实现信息过滤用数字0和1之间。当数量为零,完全丢弃的信息,当数量是1,完全保留的信息。当数字0和1之间,这意味着一些信息被丢弃和一些保留。实现公式是 在哪里代表乙状结肠功能操作。

然后使用输入门来确定本单位需要存储的输入信息,但并不是所有的输入信息将被存储,只有通过输入通道将存储的信息并参与后续的计算,和不经过过滤的信息。输入信息是由功能决定的,那么前一单位的重要信息过滤的忘记门,过滤的输入信息输入,然后加工单位信息,代表的信息状态的细胞,如以下公式所示:

最后,它通过计算输入信息:

长期和短期记忆网络发挥了很大的优势在长期建模由于其可转让的,可修改的,和被遗忘属性,并广泛应用于语音识别、文本翻译和视频的理解。动作识别的关键任务是提取和利用各种各样的信息在视频中尽可能提高视频信息的利用率,最终使行动识别更准确和鲁棒性。本文通过above-proposed模型算法,可以提供巨大的帮助在退出的准确性和可靠性分析和摆脱不精确的视觉运动分析原系统在某种程度上。

4所示。结果分析和讨论

本文基于上述模型,对模型进行实验和测试模型的合理性和可靠性,通过数据分析算法,以及体育可视化管理的可操作性。平均召回率进行比较和分析,如图4。

其中,实线代表平均召回率的平均值时选择对应十值之间的交叉和合并比率是0.4和0.9,而虚拟线显示了平均召回率固定的十字路口和合并比例下,包括0.4,0.5,0.6,0.8,和1.0,计算曲线下的面积下的平均召回率这五个病例。可以看出,交叉率越小,对应的平均召回曲线下的面积越大。此外,本文分析了目标的速度和耗热量的实际情况,和实验结果如图5。

通过以上实验,可以看出,在时间轴上,当速度和热量消耗大,它将更难以捕捉特征向量在体育运动中,提高数据处理的要求。因此,在本文中提出的模型设置一个错误分析模块在此基础上,平均误差是由算法的基本逻辑控制和过滤过程的神经网络。因此,方便实现精确的可视化管理。数据6和7秀的分析模型的均方误差和平均误差在本文中涉及。

本文提出的模型和算法嘲笑数据分析和视觉处理错误在很大程度上。本文中提出的模型更匹配和优越性时运动的复杂性和可变性。系统的误码率已经减少了超过86%,而且在某些情况下可以提高。很难描述的木制移动物体的运动特征仅使用单一轨迹运动的interval-free密度描述符。研究结果显示,一个广泛的运动模式和特性可以量化和定性描述。该算法的密度卷成功捕获运动使用的空间变化和视觉识别特定的空间运动的模式。

5。结论

本文相关研究运动视觉分析由于大数据技术的快速发展和各领域成熟应用。体育运动是人们的生活和社会发展的一个重要组成部分。因为这个国家积极促进体育的发展,人们对竞技体育的兴趣和收视习惯有所改善,发生了戏剧性的改变。数据可视化是非常必要的,开幕式和监测数据源新闻生产的基础数据。数据收集器跟进并收集当场视觉信息在传统的视觉运动的集合。从文本数据可视化的核心变化大数据的时代,和数据可视化贯穿整个过程将数据集和可视化。简要描述的数据可视化,可以看出,数据可视化从计算机技术是分不开的。因此,大数据在数据可视化技术更有优势比传统的数据处理技术。结合研究内容和实验测试结果,基于运动运动可视化系统识别算法在本文设计的可视化管理可以帮助运动。的设计算法,本文提出的三维空间设计可以提高运动效率的可视化效果,同时也简化了计算和优化处理的错误。 Compared with different dimensions, the algorithm in this article can reduce the error rate to 86%. Above, this will ensure that the system can obtain reliable and reasonable data conclusions in the process of intelligent processing of big data, which has a positive effect on the visualization of our sports management.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者没有任何可能的利益冲突。

确认

这项研究是由陕西体育局项目:“商洛民间体育组织发展困境实证研究(没有:17021)”;2017年陕西省教育科学规划项目:“带和道路倡议”陕西南部大学推广的方法和路径选择促进商业体育文化在古代道路(没有。SGH17H356)”;软科学研究项目和一般项目的陕西省科技部门:“农村体育生态系统的建设与治理机制研究的背景下农村振兴战略(2022号krm140)。”